クラス逐次学習のための特徴拡張と強化圧縮

クラス逐次学習は、時間の経過とともに増加するクラス数を分類するための識別モデルを訓練することを含みます。しかし、新しく追加されたクラスデータのみを使用して行うと、以前のクラスの破滅的な忘却という既知の問題が生じます。最近、動的深層学習アーキテクチャは、新しいクラスを学習するためにモデルに新しい特徴抽出器を動的に追加し、その後、モデルを元のサイズに戻す圧縮ステップを導入することによって、より良い安定性と可塑性のトレードオフを示すことが明らかになりました。この文脈において、私たちは、リハーサル・カットミックス法を使用して、圧縮時に以前のクラスサンプルのパッチを新しい画像と切り取り混合することによって以前のクラス知識の圧縮を強化する新しいアルゴリズムを提案します。この新しいデータ拡張が過去のクラス情報を特にターゲットにし、その圧縮を改善することによって破滅的な忘却を減少させることを示します。CIFARやImageNetデータセットを用いた多様な逐次学習評価プロトコル下で実施された広範な実験は、私たちのアプローチが常に最先端技術を上回ることを実証します。コードは私たちの研究の公開に際して提供されます。